Entwicklung und externe Validierung einer webbasierten Anwendung zur Vorhersage von lungenentzündungsassoziierten ARDS

Summary

Diese Studie zielt darauf ab, ein webbasiertes System zu entwickeln und extern zu validieren, das maschinelle Lernmodelle für frühzeitige Diagnose und klinische Phänotypisierung von lungenentzündungsassoziierten ARDS integriert, um eine präzise Behandlung zu erleichtern.

Abstract

Das akute Atemnotsyndrom (ARDS) ist eine hoch heterogene Erkrankung mit klinischen Manifestationen, die sich mit einer schweren Lungenentzündung überschneiden können und eine genaue Differenzierung erschweren. Daher sind eine frühzeitige Vorhersage und eine schnelle Clustering von Subtypen am Bett bei ARDS-Patienten dringend erforderlich. Diese Studie zielt darauf ab, ein webbasiertes System zu entwickeln, das validierte Modelle der frühen Patientenbettdiagnose und der klinischen Untergruppenklassifikation umfasst, um die Entwicklung und Phänotypen von pneumonieassoziiertem ARDS vorherzusagen. Diagnostische und Subgruppenmodelle wurden aus den beiden großen Datenbanken, Medical Information Mart for Intensive Care IV (MIMIC-IV) und Telehealth Intensive Care Unit (eICU), entwickelt und validiert und in ein webbasiertes Vorhersagesystem integriert. Daten von Patienten mit Lungenentzündung, die zwischen 2008 und 2019 länger als 24 Stunden im Krankenhaus waren, wurden analysiert. Die MIMIC-IV-Derivationskohorte umfasste 24.987 Patienten mit Lungenentzündung (14.121 mit lungenentzündungsassoziiertem ARDS); die eICU-Verifikationskohorte umfasste 20.676 Patienten mit Lungenentzündung (9.946 mit lungenentzündungsassoziiertem ARDS). Bei der Diagnose schnitt die Stacking-Methode des maschinellen Lernens am besten ab, mit einem AEC von 0,919, einer Genauigkeit von 70,00 %, einer Genauigkeit von 69,88 % und einem Rückruf von 82,27 % in der MIMIC-IV-Ableitungskohorte. Der AUC, die Genauigkeit, die Genauigkeit und der Abruf der eICU-Validierungskohorte betrugen jeweils 0,915, 70,87 %, 69,70 % und 69,70 %. Pneumonie-assoziierte ARDS wurde in drei klinische Phänotypen mit unterschiedlichen klinischen Merkmalen und Ergebnissen eingeteilt, die alle unterschiedlich auf die Behandlung ansprachen. Bei Patienten in den Clustern 0 und 1 waren die Sterblichkeitsraten im Krankenhaus bei denen, die eine frühe Kortikosteroidbehandlung erhielten, höher als bei denen, die keine erhielten, während bei Patienten in Cluster 2 die Sterblichkeitsrate niedriger war als bei denen, die keine Kortikosteroide erhielten. Wir führten eine Webtransformation der Diagnosevorhersage und klinischen Untergruppenklassifikation von pneumonie-assoziierten ARDS durch. Unsere webbasierten Modelle der frühen Diagnose am Bett und der klinischen Subgruppenklassifikation von lungenentzündungsassoziiertem ARDS können Klinikern bei der Diagnose und Behandlung der Krankheit sowie bei der Förderung individueller Präzisionsbehandlung helfen.

Introduction

Akutes Atemversagen, insbesondere das akute Atemnotsyndrom (ARDS) nach einer Lungeninfektion, ist ein häufiges, verheerendes Problem, das bei kritisch kranken Patienten auftritt. Studien haben gezeigt, dass die Inzidenz von ARDS bei Patienten auf der Intensivstation (ICU^{) bis} zu 10 % beträgt und die Sterblichkeitsrate etwa 40 ^% beträgt^. Eine schwere Lungenentzündung gilt weithin als Hauptursache für ARDS⁴. Da die klinischen Symptome von schwerer Lungenentzündung und ARDS ähnlich sind, ist es oft schwierig, ARDS von schwerer Lungenentzündung zu unterscheiden. Daher kann eine frühe Vorhersage der Entwicklung von ARDS bei Fällen von Lungenentzündung die Inzidenz von ARDS und die Sterblichkeitsraten^senken. Außerdem kann ARDS, da es sich um eine stark heterogene Krankheit^handelt, eine frühe und korrekte Untergruppenklassifikation von ARDS die Präzisionsmedizin ermöglichen. Eine solche Klassifikation ist auch eine der Hauptrichtungen der Forschung zu respiratorischen kritischen Erkrankungen weltweit.^Das Ziel ist es, die Wirksamkeit gezielter Subgruppeninterventionen zu verbessern.

Derzeit wurden die unabhängigen Risikofaktoren für ARDS^{umfassend untersucht}, aber nur wenige haben sich auf die Vorhersage von ARDS bei Patienten mit Lungenentzündung konzentriert. Außerdem wurden keine Studien zu spezifischen klinischen Phänotypen von pneumonieassoziiertem ARDS durchgeführt; die meisten Phänotypstudien konzentrierten sich auf die gesamte Patientenpopulation mit ARDS. Calfee et ^al.9 klassifizierten ARDS in hyperinflammatoriske und hypoinflammatoriske Phänotypen. Um diese biologischen Phänotypen zu definieren, müssen Plasma-Biomarker als kategorisch definierende Variablen verwendet werden, aber eine solche Untersuchung ist am Bett nicht leicht verfügbar. In einer Studie wurden leicht verfügbare klinische Indikatoren verwendet, um ARDS in drei klinische Phänotypen zu klassifizieren, deren Reaktionen auf randomisierte Interventionen ebenfalls bewertet wurden, wobei die Studie jedoch auf der gesamten Patientenpopulation mit ARDS¹⁰ basierte. Die Definition der klinischen Phänotypen von ARDS anhand verschiedener Ursachen, wie etwa einer Lungenentzündung, kann verfeinerte und genauere Ergebnisse liefern.

Ziel dieser Studie war es, maschinelles Lernen zu nutzen, um ein prädiktives Modell für lungenentzündungsassoziierte ARDS mit frühen klinischen Daten zu erstellen; frühe und leicht verfügbare klinische Daten zu nutzen, um lungenentzündungsassoziierte ARDS in klinische Phänotypen zu klassifizieren und Unterschiede in ihren klinischen Merkmalen, Ergebnissen und Behandlungsreaktionen zu untersuchen; und die Implementierung des Vorhersagemodells und Klassifikationsmodells als webbasierte Anwendung, die Kliniker bei der Diagnose und Behandlung von lungenentzündungsassoziiertem ARDS unterstützen und weitere Forschung fördern sollte.

Protocol

Diese Studie griff nach Abschluss der 44151052 Medical Information Mart for Intensive Care IV (Mimic-IV) Datenbank 11 (Version 1.0, PhysioNet: https://physionet.org/content/mimiciv/1.0/) und der Telehealth Intensive Care Unit (eICU) Datenbank¹² (Version 2.0, PhysioNet: https://physionet.org/content/eicu-crd/2.0/) auf die Medical Information Mart for Intensive Care IV (mimic-IV) Datenbank¹² (Version 2.0, PhysioNet: ) zu. Diese Studie wurde gemäß den Grundsätzen der Erklärung von Helsinki (2013) durchgeführt, und die Patienten hatten ihre Zustimmung zur Erfassung ihrer Daten in den beiden Datenbanken erteilt. Die ethische Zulassung wurde für diese Studie aufgehoben, da die Daten in den Datenbanken der eICU und MIMIC-IV vollständig anonymisiert waren (keine persönlichen Identifikatoren wurden erhalten).

Materialien und Werkzeuge
Datenquellen: MIMIC-IV-Datenbank: Version 1.0, Einzelzentrum-Open-Access-Register mit 76.540 Intensivstationsaufnahmen (2008–2019), abgerufen über PhysioNet. eICU-Datenbank: Version 2.0, Multicenter-Datenbank mit >200.000 elektronischen Krankenakten aus 335 Einheiten in 208 US-Krankenhäusern (2014–2015), abgerufen über PhysioNet. Software und Ausführungsumgebung: RapidMiner Studio: Version 9.10.001 (Ausführungsumgebung: Windows 10 Pro 64-Bit), verwendet für den Modellbau (Klassifikation/Clustering) und die Auswahl von Funktionen; IBM SPSS Statistics: Version 23.0 (Ausführungsumgebung: Windows 10 Pro 64-Bit), verwendet für statistische Analysen und Imputation fehlender Werte; Java Development Kit (JDK): Version Java SE 8u381 (Ausführungsumgebung: Windows 10 Pro 64-Bit), verwendet für die Entwicklung von Webanwendungen; unterstützende IDE: Eclipse IDE 2023-09; Apache Tomcat: Version 9.0.85, verwendet zum Bereitstellen der webbasierten Anwendung.

Studiendesign und Umgebungen
Das Konzept dieser Studie ist in ergänzender Abbildung 1 dargestellt. Diese Studie analysierte Daten aus zwei großen Quellen, der Medical Information Mart for Intensive Care IV (MIMIC-IV) und der Telehealth Intensive Care Unit (eICU)-Datenbanken, um ein prädiktives Modell der lungenentzündungsassoziierten ARDS zu erstellen und betroffene Patienten nach klinischen Phänotypen zu klassifizieren. Diese Studie folgte den Richtlinien des Transparent Reporting of a Multivariable Prediction Model for Individual Prognosis or Diagnosis (TRIPOD).

Studienproben
Die Trainings- und Testdaten dieser Studie wurden von MIMIC-IV gewonnen. Die Quelle der externen Verifizierung war die multizentrische eICU-Datenbank. Diese Studie nutzte die International Classification of Diseases (neunte und zehnte Revision), um Daten über Patienten mit Lungenentzündung und lungenentzündungsassoziiertem ARDS zu extrahieren. Patienten, die weniger als 24 Stunden aufgenommen wurden, wurden ausgeschlossen.

Prädiktoren
Nach Auswertung der Datenverfügbarkeit und der Rate fehlender klinischer Variablen in den MIMIC-IV- und eICU-Datensätzen wurden 52 Variablen für lungenentzündungsassoziierte ARDS als Kandidaten-Trainingsvariablen für den Einsatz im maschinellen Lernen ausgewählt, einschließlich demografischer Merkmale der Patienten, Laborergebnissen und Werten der Krankheitsschwere. Diese Studie verwendete einen Gewichtungs-nach-Korrelations-Algorithmus (basierend auf dem Korrelationsgewicht zwischen Variablen und Ergebnissen), um nach Schlüsselprädiktoren (Variablen, die letztlich in die Modelle einbezogen werden) der 52 Kandidatenvariablen zu filtern und anschließend Subgruppen-Clusteringfaktoren aus den wichtigsten Prädiktoren auszuwählen.

Dazu öffnen Sie RapidMiner Studio, erstellen Sie einen neuen Prozess und fügen Sie den Operator Gewicht nach Korrelation hinzu, indem Sie auf Process > Operators > Feature Selection > Weight by Correlation klicken. Setzen Sie den Parameter: Korrelationsschwelle = 0,04 (behalten Sie Variablen mit Gewicht > 0,04). Um das Modell dazu zu zwingen, frühe Krankheitsstadien und Aktualität zu berücksichtigen, wurden innerhalb von 24 Stunden nach der Aufnahme die Maximal- und Minimalwerte der Laborindikatoren ermittelt. Da der Acute Physiology Score III (APSIII) nicht in der eICU-Datenbank enthalten war, wurden stattdessen Werte für die Acute Physiology and Chronic Health Evaluation IV (APACHE IV) verwendet. Diese Studie bereinigte die Daten und interpolierte die fehlenden Werte mithilfe der Mehrfachimputationsmethode und standardisierte die Eingabevariablen bei der Entwicklung von Prädiktions- und Subphänotypisierungsmodellen.

Statistische Analyse
Öffnen Sie SPSS 23.0, importieren Sie den vorverarbeiteten Datensatz und wählen Sie Analysieren > Deskriptive Statistiken > Erkunden. Überprüfen Sie Normalitätsdiagramme mit Tests , um den Kolmogorov-Smirnov-Test für kontinuierliche Variablen durchzuführen. Schiefverteilte Variablen werden als Median (Interquartilbereich, IQR) angegeben; Kategoriale Variablen werden als Anzahl (Prozent, %) angegeben. Um kontinuierliche Variablen zwischen Gruppen zu vergleichen, wurde je nach Bedarf der Mann-Whitney-U-Test oder der Kruskal-Wallis-Test verwendet. Um kategorische Variablen zwischen Gruppen zu vergleichen, wurde je nach Bedarf Pearsons Chi-Quadrat-Test oder Fishers exakter Test verwendet.

Modellentwicklung und Webpräsentation
Für die Modellentwicklung teilte diese Studie die MIMIC-IV-Derivationskohorte in ein Trainingsset (90 % der Gesamtstichprobe wurden zufällig für Modellentwicklung und Hyperparameter-Tuning ausgewählt) und ein Testset (10 % der Gesamtstichprobe wurden zufällig für interne Tests ausgewählt); diese Studie führte eine externe Verifikation auf der eICU durch. Diese Studie implementierte maschinelles Lernen mit fünf Methoden: Entscheidungsbaum, logistische Regression, naive Bayes, Stacking (Basislerner waren die logistische Regression, naive Bayes und Random Forest-Methoden; der Stacking-Learner war die Entscheidungsbaummethode) und Random Forest. Entscheidungsbaum: Klicken Sie auf Prozess > Operatoren > Modellierung > Klassifikation > Entscheidungsbaum mit Algorithmus = C4,5, minimale Blattgröße = 5. Für logistische Regression: Klicken Sie auf Prozess > Operatoren > Modellierung > Klassifikation > logistische Regression mit Regularisierungsstärke = 0,1, maximale Iterationen = 100. Für naive Bayes: Klicken Sie auf Prozess > Operatoren > Modellierung > Klassifikation > naive Bayes mit Kerneltyp = Gaußsch. Für Random Forest: Klicken Sie auf Process > Operators > Modeling > Classification > Random Forest mit Anzahl der Bäume = 100, maximale Tiefe = 20. Für Stacking: Klicken Sie auf Process > Operatoren > Modellierung > Ensemble > Stacking with Base Learners = Logistic Regression + Naive Bayes + Random Forest; Stacking Learner = Entscheidungsbaum. Diese Studie maß die Vorhersageleistung des entwickelten Modells, indem sie die Fläche unter der Empfänger-Betriebscharakteristiekkurve (AUC), Genauigkeit, Präzision und Abruf berechnete.

Bei der Erstellung der Klassifikation der pneumonieassoziierten ARDS-klinischen Untergruppen verwendete diese Studie k-Means-Clustering mit wichtigen Prädiktoren. Um die optimale Anzahl von Clustern k zu bestimmen, wurde der Wert der Gap-Statistiken im Gap-Statistik-Plot untersucht, der die optimale Anzahl von Clustern nahelegte. Diese Studie analysierte die klinischen Merkmale und Ergebnisse verschiedener Phänotypen und verglichen die Unterschiede in den Sterblichkeitsraten im Krankenhaus bei Patienten mit unterschiedlichen Clustern, die frühzeitig eine niedrig- bis mitteldosierte Kortikosteroidbehandlung erhielten oder nicht.

Wählen Sie in RapidMiner Studio Datei > Export Model aus und speichern Sie die Diagnosevorhersage- und Untergruppenklassifikationsmodelle als .model-Dateien. Verwenden Sie JDK Java SE 8u381 und Eclipse IDE 2023-09, um Webseiten in Java-Sprache zu schreiben; Importiere die .model-Dateien ins Projekt. Diese Studie nutzte die Java-Sprache, um eine Webseite zu entwickeln, auf der das diagnostische Modell und das klinische Subgruppen-Clustering-Modell eingebettet wurden, und wir haben das Modell online hochgeladen.

Results

Teilnehmer
Die MIMIC-IV-Datenbank enthielt Daten von 24.987 Patienten mit Lungenentzündung, von denen 14.121 eine lungenentzündungsassoziierte ARDS hatten (Tabelle 1). Die eICU-Datenbank enthielt Daten von 20.676 Patienten mit Lungenentzündung, von denen 9.946 lungenentzündungsassoziierte ARDS hatten (Ergänzende Tabelle 1).

Etablierung und Verifikation eines lungenentzündungsassoziierten ARDS-Vorhersagemodells
Wir nutzte...

Discussion

Wie wir wissen, ist dies das erste diagnostische Modell und das klinische Subgruppenklassifikationsmodell, das maschinelles Lernen zur Berichterstattung von ARDS bei Lungenentzündungspatienten verwendet, und die größte Studie, die die Diagnose und klinische Untergruppenklassifikation von lungenentzündungsassoziiertem ARDS berichtet. In dieser Studie leiteten und validierten wir zwei auf maschinellem Lernen basierende Modelle und übersetzten sie in webbasierte Anwendungen für die klinisch...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Apache Tomcat	Apache Software Foundation	Version 9.0.85
Eclipse IDE	Finsternis	2023-09
Java Development Kit	Java	Version Java SE 8u381
RapidMiner Studio	Altair Engineering Inc.	Version 9.10.001
SPSS-Statistiken	IBM	Version 23.0